diff --git a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb
index 29ec33f8356b81ea7b95eee6d0b1dd52535c9d73..a9ef9b8a594940fabcc15343769cec05c25b7909 100644
--- a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb	
+++ b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb	
@@ -35,6 +35,98 @@
     "Durch dieses Modell können Sie gezielt die Kunden ansprechen, die am wahrscheinlichsten an einer KFZ-Versicherung interessiert sind."
    ]
   },
+  {
+   "attachments": {},
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Business",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "InsurTech-Unternehmen beschäftigen sich mit dem\n",
+    "das Thema der Modernisierung der Versicherungsbranche. Das Ziel ist es, die\n",
+    "Versicherungen günstiger, attraktiver, \"effizienter\" zu machen durch moderne\n",
+    "\"Versicherungsmodelle, digitalisierte Prozesse, neue Beratungs- und\n",
+    "Managementmethoden\" gestaltet werden. Die zunehmenden Herausforderungen erschweren es den Versicherern, sich im Wettbewerb zu behaupten und am Markt zu bestehen. Bestehend aus adaptiven Kundenansprüchen, \"Digitalisierung, strengerer Regulierung und Bürokratie\", werden die Versicherer unter dem Aspekt des wirtschaftlichen Ergebnisses deutlich auf die Probe gestellt. Gleichzeitig ergeben sich Chancen im Geschäftsmodell, die noch ungenutzt sind.\n",
+    "ungenutzt bleiben. Eines dieser Modelle ist das Prinzip des Cross-Selling. Damit dieses Modell umgesetzt werden kann, ist die\n",
+    "ist die Meinung der bestehenden Kunden entscheidend. Das Geschäftsmodell sollte auf der Grundlage des bestehenden Kundeninteresses antizipiert werden. Die Analyse soll dem Versicherer zeigen, welches Potenzial in welcher Höhe tatsächlich vorhanden ist. Die Analyse wird sich mit der Frage beschäftigen, ob es Kunden gibt, die sich für eine Kfz-Versicherung interessieren. Die Antwort auf diese Frage soll gleichzeitig auch eine Darstellung des Interesses liefern. So lässt sich abschätzen, ob sich eine aktive Kundenansprache überhaupt lohnt."
+   ]
+  },
+  {
+   "attachments": {},
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Der Datensatz heißt Janatahack Cross-sell Prediction und wurde in einen Trainings- und einen Testdatensatz aufgeteilt. Das Attribut \"Response\" ist die Zielvariable und drückt das Interesse eines Kunden an einer Kfz-Versicherung aus. Da diese wichtige Spalte jedoch merkwürdigerweise im Testdatensatz fehlt, wurde nur der Trainingsdatensatz für das Modell verwendet. Dieser wurde also für Training und Test verwendet. Der Datensatz besteht aus 12 Spalten und 381109 Zeilen. Jede Zeile steht für eine Person."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Für die Modellierung wurde die Logistische Regression gewählt, da keine Linearität in den Daten festgestellt wurde. \n",
+    "Dieses nicht-lineare Modell ist geeignet, um kategorische Zielwerte, also \"ja\"/ \"nein\" Entscheidungen, vorherzusagen.\n",
+    "Das Modell wurde durch die Optimierung von Schwellenwerten verfeinert. \n",
+    "Die Daten wurden dabei in 80% Trainings- und 20% Testdaten aufgeteilt. \n",
+    "Während der Modellierung wurden Variablen, die statistisch nicht signifikant waren, anhand ihres P-Werts entfernt. \n",
+    "Eine Optimierung der Schwellenwerte führte zu einem Threshold von 0,25, bei dem ein Recall-Wert von 0,8216 und eine Genauigkeit von 0,7338 erreicht wurden. \n",
+    "Die Bewertungsmetriken des Modells umfassen eine Genauigkeit von 0,73, einen Recall von 0,82 und eine Präzision von 0,29."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Die Logistische Regression wurde gewählt, um Kundeninteressen vorherzusagen, da keine linearen Beziehungen zwischen den Variablen festgestellt wurden. \n",
+    "Das Modell wurde durch die Optimierung von Schwellenwerten verbessert und auf Genauigkeit und Zuverlässigkeit geprüft."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Die Zielgruppe für diese Lösung sind Versicherungsunternehmen, die durch die Implementierung dieser Vorhersagemodelle erhebliche Vorteile erwarten können. \n",
+    "Zu den Leistungen zählen Kostenersparnisse, Zeitersparnisse, die Gewinnung neuer Kunden und eine Steigerung des Umsatzes. \n",
+    "Wie genau die Integration der Lösung in bestehende Systeme erfolgen soll, wurde nicht angegeben."
+   ]
+  },
   {
    "attachments": {},
    "cell_type": "markdown",
@@ -56,7 +148,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Business",
     "slideshow": {
      "slide_type": ""
@@ -94,7 +186,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Daten",
     "slideshow": {
      "slide_type": ""
@@ -628,7 +720,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Evaluation",
     "slideshow": {
      "slide_type": ""
@@ -5017,7 +5109,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Datenmodell",
     "slideshow": {
      "slide_type": ""
@@ -5048,7 +5140,7 @@
    "cell_type": "markdown",
    "metadata": {
     "editable": true,
-    "include": true,
+    "include": false,
     "paragraph": "Umsetzung",
     "slideshow": {
      "slide_type": ""
@@ -5086,14 +5178,10 @@
    "source": []
   }
  ],
- "metadata": { 
-  "title": "Vorhersage für das Interesse an Auto Versicherungen",
-  "teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen.",
+ "metadata": {
   "branche": "Finanzwirtschaft",
-  "funktion": "Marketing",
   "dataSource": "https://www.kaggle.com/datasets/jassican/janatahack-crosssell-prediction",
-  "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Insurance/Prediction%20Interest%20for%20car%20insurance/neues_notebook.ipynb?ref_type=heads",
-  "skipNotebookInDeployment": false,
+  "funktion": "Marketing",
   "kernelspec": {
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
@@ -5109,8 +5197,12 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.3"
-  }  
+   "version": "3.10.11"
+  },
+  "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Insurance/Prediction%20Interest%20for%20car%20insurance/neues_notebook.ipynb?ref_type=heads",
+  "skipNotebookInDeployment": false,
+  "teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen.",
+  "title": "Vorhersage für das Interesse an Auto Versicherungen"
  },
  "nbformat": 4,
  "nbformat_minor": 4
diff --git a/Rating/What Quality does the Red wine have/neues_notebook.ipynb b/Rating/What Quality does the Red wine have/neues_notebook.ipynb
index f123cce7f9168f1f1657a1e3c52ab26ec806280a..d9e4e7e1ad94c9dacffb8ea59d3527b2506ed3c9 100644
--- a/Rating/What Quality does the Red wine have/neues_notebook.ipynb	
+++ b/Rating/What Quality does the Red wine have/neues_notebook.ipynb	
@@ -14,6 +14,118 @@
     "# Welche Qualität hat der Rotwein? "
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "3392b7c3-06d1-41f9-aa05-7d0240615aaf",
+   "metadata": {
+    "editable": true,
+    "include": false,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Eine Weinmanufaktur möchte die Qualität und den Geschmack ihrer Weine durch den Einsatz eines maschinellen Lernmodells vorhersagen, um den teuren und subjektiven Prozess der professionellen Verkostung zu ersetzen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "7117488d-5ff7-4a99-9f74-ef5ed7dbcd90",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Business",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Eine Weinmanufaktur möchte sicherstellen, dass sie stets hochwertigen und schmackhaften Wein produziert. Bisher werden alle neuen Chargen von professionellen Weinverkostern getestet und auf einer Skala von 1 bis 10 bewertet. Dieser Prozess ist jedoch teuer und subjektiv. Das Ziel der Manufaktur ist es, ein maschinelles Lernmodell zu entwickeln, das automatisch neue Weinchargen basierend auf deren chemischen Eigenschaften kategorisiert. So sollen gute und schlechte Weine effizient unterschieden werden können."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "4df21fcd-d43f-4d83-9ac7-fd469bee793d",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Daten",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Der Datensatz, genannt \"Wine Quality Data Set\", wurde von der UCI-Website heruntergeladen und enthält reale Daten aus einer Weinmanufaktur in Nordportugal, gesammelt im Jahr 2009. Der Datensatz umfasst sowohl rote als auch weiße Weine, wobei der Datensatz der Rotweine 12 Spalten und 1600 Einträge umfasst. Die Spalten sind nach den Inhaltsstoffen und der Qualitätsbewertung des Weins benannt."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "d67a7540-c108-4c3c-a1ad-c58edf2dcbb1",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenvorbereitung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Bei der Datenvorbereitung wurden Duplikate entfernt und Ausreißer anhand des 98. Perzentils entfernt. Fehlende Daten waren nicht vorhanden. Da die Daten unausgeglichen waren, wurde die Zielvariable in einen binären Klassifikator umgewandelt. Die Merkmale wurden mit dem StandardScaler von sklearn skaliert."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "5ef0a559-2c40-4ad7-82f3-5e65e3ef31e0",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Datenmodell",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Für die Modellierung wurden verschiedene Algorithmen verwendet, darunter Lineare Regression, Logistische Regression und ein neuronales Netzwerk mit Tensorflow. Es wurden keine speziellen Hyperparameter verwendet. Das Ziel war es, vorherzusagen, ob ein Wein über oder unter der durchschnittlichen Qualität liegt. Die Daten wurden in 80% Trainings- und 20% Testdaten aufgeteilt."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "d3b45aa4-7d51-4cb3-8607-4eb7a1f47213",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Evaluation",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Die Leistung des Modells wurde anhand von verschiedenen Metriken, insbesondere für das neuronale Netzwerk, bewertet. Diese Metriken helfen dabei, die Genauigkeit und Zuverlässigkeit des Modells bei der Vorhersage der Weinqualität zu bestimmen."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "7a74e9a2-89eb-49bd-98da-4cfedc9a98ed",
+   "metadata": {
+    "editable": true,
+    "include": true,
+    "paragraph": "Umsetzung",
+    "slideshow": {
+     "slide_type": ""
+    },
+    "tags": []
+   },
+   "source": [
+    "Das ML-Modell kann in der Weinmanufaktur eingesetzt werden, wo der Winzer eine Probe entnimmt und deren chemische Komponenten analysiert. Diese Daten können dann in den ML-Algorithmus eingespeist werden, um sofortiges und kostengünstiges Feedback zur Weinqualität zu erhalten."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "692fe04c",
@@ -3743,108 +3855,19 @@
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "cc34b725",
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "# save the data scaler with pickle\n",
-    "pickle.dump(scaler, open('scaler.sav', 'wb'))"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "9b4db306-b5b3-45a2-b3f7-ea2cdd1a36b2",
+   "id": "000b6654-2fb2-46ae-afea-64f89af3d191",
    "metadata": {
     "editable": true,
-    "include": true,
-    "paragraph": "Business",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Eine Weinmanufaktur möchte sicherstellen, dass sie stets hochwertigen und schmackhaften Wein produziert. Bisher werden alle neuen Chargen von professionellen Weinverkostern getestet und auf einer Skala von 1 bis 10 bewertet. Dieser Prozess ist jedoch teuer und subjektiv. Das Ziel der Manufaktur ist es, ein maschinelles Lernmodell zu entwickeln, das automatisch neue Weinchargen basierend auf deren chemischen Eigenschaften kategorisiert. So sollen gute und schlechte Weine effizient unterschieden werden können."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "308d3a59-95dc-40ff-99b2-020492a9045c",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Daten",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Der Datensatz, genannt \"Wine Quality Data Set\", wurde von der UCI-Website heruntergeladen und enthält reale Daten aus einer Weinmanufaktur in Nordportugal, gesammelt im Jahr 2009. Der Datensatz umfasst sowohl rote als auch weiße Weine, wobei der Datensatz der Rotweine 12 Spalten und 1600 Einträge umfasst. Die Spalten sind nach den Inhaltsstoffen und der Qualitätsbewertung des Weins benannt."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "e8d7cf97-95ee-43b6-849a-7e943e085794",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenvorbereitung",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Bei der Datenvorbereitung wurden Duplikate entfernt und Ausreißer anhand des 98. Perzentils entfernt. Fehlende Daten waren nicht vorhanden. Da die Daten unausgeglichen waren, wurde die Zielvariable in einen binären Klassifikator umgewandelt. Die Merkmale wurden mit dem StandardScaler von sklearn skaliert."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "7700a90e-758b-4f31-a7bb-8443117c3084",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Datenmodell",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Für die Modellierung wurden verschiedene Algorithmen verwendet, darunter Lineare Regression, Logistische Regression und ein neuronales Netzwerk mit Tensorflow. Es wurden keine speziellen Hyperparameter verwendet. Das Ziel war es, vorherzusagen, ob ein Wein über oder unter der durchschnittlichen Qualität liegt. Die Daten wurden in 80% Trainings- und 20% Testdaten aufgeteilt."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "cb03b5fe-16cf-40d4-a100-3b9cb2438aa3",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Evaluation",
-    "slideshow": {
-     "slide_type": ""
-    },
-    "tags": []
-   },
-   "source": [
-    "Die Leistung des Modells wurde anhand von verschiedenen Metriken, insbesondere für das neuronale Netzwerk, bewertet. Diese Metriken helfen dabei, die Genauigkeit und Zuverlässigkeit des Modells bei der Vorhersage der Weinqualität zu bestimmen."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "6525529a-c38a-49f3-a41d-bc7c30711a59",
-   "metadata": {
-    "editable": true,
-    "include": true,
-    "paragraph": "Umsetzung",
+    "raw_mimetype": "",
     "slideshow": {
      "slide_type": ""
     },
     "tags": []
    },
+   "outputs": [],
    "source": [
-    "Das ML-Modell kann in der Weinmanufaktur eingesetzt werden, wo der Winzer eine Probe entnimmt und deren chemische Komponenten analysiert. Diese Daten können dann in den ML-Algorithmus eingespeist werden, um sofortiges und kostengünstiges Feedback zur Weinqualität zu erhalten."
+    "# save the data scaler with pickle\n",
+    "pickle.dump(scaler, open('scaler.sav', 'wb'))"
    ]
   }
  ],
@@ -3872,10 +3895,10 @@
    "pygments_lexer": "ipython3",
    "version": "3.10.11"
   },
+  "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Rating/What%20Quality%20does%20the%20Red%20wine%20have/neues_notebook.ipynb?ref_type=heads",
   "skipNotebookInDeployment": false,
-  "title": "Effiziente Unterscheidung zwischen guten und schlechten Wein",
   "teaser": "Eine Weinmanufaktur möchte die Qualität und den Geschmack ihrer Weine durch den Einsatz eines maschinellen Lernmodells vorhersagen, um den teuren und subjektiven Prozess der professionellen Verkostung zu ersetzen.",
-  "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Rating/What%20Quality%20does%20the%20Red%20wine%20have/neues_notebook.ipynb?ref_type=heads"
+  "title": "Effiziente Unterscheidung zwischen guten und schlechten Wein"
  },
  "nbformat": 4,
  "nbformat_minor": 5